本文利用数值方法研究了三个重要的无导数全局优化算法的性能，这三个算法分别是MCS（multilevel coordinate search）算法、Matlab中的GlobalSearch和Multistart算法。本文首先回顾了这三个算法的大致思想与算法流程，然后用它们测试了三个国际通用的全局优化测试函数库：Hedar、GKLS和CEC2014测试函数库。最后利用performance profile技术和data profile技术分析了测试得到的大量数据。数值比较结果表明，这三个算法在CEC2014测试函数库测出的数据，经过这两个技术的比较分析后，得知最靠左和最靠上的算法是Multistart算法。但是在考虑到运算时间的实际成本时，我们就发现与Multistart算法较接近的MCS算法才是最优的算法，而且MCS算法在最大的性能比和最大的单纯型梯度个数时所能求解的问题比例都最大。这三个算法在Hedar测试函数库里测得的数据进行数值分析结果后，我们可以得知最好的算法明显是MCS算法，而Multistart算法与Globalsearch算法很接近，几乎是一样的，但是它们都比MCS算法要差得多。为了探究函数的维度和技术的精度对数值的分析结果是否有影响，我们把CEC2014函数库里的142个函数分成5种维度，并且选取其中4种进行对比分析，之后还取了4种不同的精度进行了分析。

本文的大致组织结构

本文研究的题目是无导数全局优化算法及其数值比较，本文通过数值实验比较分析MCS算法、Globalsearch算法与Multistart算法。全文共六章，分别是：

第一章是绪论，主要介绍最优化问题、全局最优化和无导数全局优化算法，并简述本论文研究的背景及意义。

第二章是三个无导数全局最优化算法，主要详细介绍研究的三个算法：MCS算法、Globalsearch算法与Multistart算法。

第三章是数值测试，介绍了采用的三个测试函数库：GKLS函数库、IEEE conference on evolutionary computation 2014（CEC2014）函数库、Hedar函数库。再简述一下测试环境和算法的重要参数。

第四章是数据分析技术，叙述用来进行数值比较的两个技术：performance profile技术和data profile技术。

第五章是数值结果分析，重点分析这三个算法分别在Performance profile技术和Data Profile技术的比较、分析和评价。

第六章是总结，总结三个无导数全局优化算法MCS算法、Globalsearch算法、Mulitstart算法的优劣，并对研究方向的展望。